爲什麼要有二次排序？
Hadoop框架本身提供對Key的排序，但是正如我們在SQL中的雙重排序要求一樣，有時候我們會需要對key相同值按另一個字段排序的需求，這就使得我們必須要利用Hadoop的機制來間接實施二次排序。
步驟：
1、定義一個複合鍵（因爲MapReduce只能對Key進行排序）
2、設置新的 comparator，用於對 Key 進行排序（等於Java中自定義Sort方法）
3、設置partitioner, 用於將數據對放在同一個reducer上（決定一個鍵值對去向哪裏）
疑問：
在原本沒有複合鍵的情況下，框架通過對key進行排序的方式將key相同的部分組合（group）在一起，那對於複合鍵來說，既然我已經分別定義了排序和分組，爲什麼還要指定分區（Partitioner）呢？
原理參考以下（來自於 https://www.cnblogs.com/DreamDrive/p/7693452.html）：
原理：
在map階段：
使用job.setInputFormatClass定義的InputFormat將輸入的數據集分割成小數據塊splites，同時InputFormat提供一個RecordReder的實現。
本例子中使用的是TextInputFormat，他提供的RecordReder會將文本的一行的行號作爲key，這一行的文本作爲value。這就是自定義Map的輸入是<LongWritable, Text>的原因。
然後調用自定義Map的map方法，將一個個<LongWritable, Text>對輸入給Map的map方法。注意輸出應該符合自定義Map中定義的輸出<IntPair, IntWritable>。最終是生成一個List<IntPair, IntWritable>。
在map階段的最後，會先調用job.setPartitionerClass對這個List進行分區，每個分區映射到一個reducer。每個分區內又調用job.setSortComparatorClass設置的key比較函數類排序。
可以看到，這本身就是一個二次排序。如果沒有通過job.setSortComparatorClass設置key比較函數類，則使用key的實現的compareTo方法。
在reduce階段：
reducer接收到所有映射到這個reducer的map輸出後，也是會調用job.setSortComparatorClass設置的key比較函數類對所有數據對排序。
然後開始構造一個key對應的value迭代器。這時就要用到分組，使用jobjob.setGroupingComparatorClass設置的分組函數類。
只要這個比較器比較的兩個key相同，他們就屬於同一個組，它們的value放在一個value迭代器，而這個迭代器的key使用屬於同一個組的所有key的第一個key。
最後就是進入Reducer的reduce方法，reduce方法的輸入是所有的（key和它的value迭代器）。同樣注意輸入與輸出的類型必須與自定義的Reducer中聲明的一致。
我的理解是，MapReduce是先將鍵值對分區到各個Reducer，再由各個Reducer進行內部排序，再分組，所以在一開始的時候就需要設置好Partioner。
否則自然鍵（我們希望用於分組的鍵）相同而複合鍵不同的鍵值對可能不在同一個Reducer上！那麼即使在多個Reducer上分別進行排序和分組及寫入記錄，我們最後得到的結果並不是全局有序的（多個Reducer產生多個文件）。